提出了一种基于神经网络的算法来利用加密货币衍生资产，以构建一个包含负相关资产对的投资组合，并通过训练深度神经网络来最大化夏普比率，以实现接近一个最小方差策略的资产配置策略，经过 19 个月的实验证明，该算法可在不同市场情况中获利。

Oct, 2023

提出一种神经网络架构，它可以学习一组不同数据样本的模型类，从而减少过拟合问题，应用到资产管理中的传统问题 —— 扩散曲线校准问题，并解决了环境、社会及公司治理评级对债券利差的影响问题。

Apr, 2023

提出了一种数据驱动的方法 CaNN （Calibration Neural Network），用于使用神经网络（ANN）校准金融资产价格模型。该机器学习框架可以有效和准确地校准高维随机波动模型的参数。

Apr, 2019

本文描述了如何将深度神经网络应用于预测金融市场走势，并进一步用配置和训练方法演示了如何在 43 个不同的商品和外汇期货中进行策略回测。

Mar, 2016

通过自适应选取深度神经网络组件或网络进行评估，可以在不损失准确性的情况下，显著减少计算时间，例如在 ImageNet 图像识别挑战中，最多可加速 2.8 倍，并且仅有最高 5 个命中率的轻微损失。

Feb, 2017

本文提出了基于一维卷积神经网络的金融市场预测模型，并通过历史交易数据严格回测，证明了该模型可以更有效地提取更一般化和信息丰富的特征，实现比之前的机器学习方法更强大且更有利润性的金融绩效。

Apr, 2021

构建金融交易仿真器的能力，包括重现限价委托簿的动态，能够对许多反事实情景提供洞见，如闪崩、追加保证金或宏观经济前景的变化。近年来，已开发了能够重现交易所许多特征的基于代理的模型，由一组简化事实和统计数据总结。然而，将仿真器校准到特定的交易期间仍然是一个待解决的挑战。在本文中，我们借鉴深度学习的最新进展，特别是使用神经密度估计器和嵌入网络，提出了一种新的市场仿真器校准方法。我们证明了我们的方法能够正确识别高概率参数集，无论是应用于合成数据还是历史数据，而无需依赖手动选择或加权的简化事实集合。

Nov, 2023

本文考虑了通过监督学习来学习期权价格或隐含波动率的问题，并发现在所选择的网络体系结构方面使用广义高速公路网络的精度比其它变体高，对于计算隐含波动率，采用变换后的 DGM 架构是最优的。

Jul, 2023

本文分析了如何通过学习潜在因素的后验分布来解决隐含最优交易问题，提出了一种 EM 算法的变体来校准模型，演示了此最优策略的性能和与忽略学习的策略的比较。

Jun, 2018

本文介绍的是一个名为 MenuNet 的神经网络框架，它可以自动化地设计出最优拍卖机制，且在实验中得到的机制都是 incentive-compatible 的，能够在多项收入最优设计中应用，并经过理论证明的机制是最优的。

May, 2018